基于残差神经网络的转子焊点图像检测方法

针对微型电机转子焊点检测费时费力且准确率低的问题,提出一种基于残差神经网络的转子焊点检测方法。首先运用网络预训练的方法加速网络训练,提高模型准确率;然后在网络中引入批量归一化,避免出现梯度消失;最后对图像进行数据增强,减少过拟合现象。实验表明,与K最近邻(KNN)等经典算法相比,该算法在测试集上的准确率达到91.5%,与工人检测的速度相比提高了3.5倍,具有很好的识别效果。     

无位置传感器开关磁阻电机的转矩波动抑制

针对开关磁阻电机驱动系统中位置传感器及转矩脉动的存在限制其应用范围的问题,提出利用网络结构简单、学习效率高的柔性神经网络对其进行建模,进而对开关磁阻电机无位置传感器控制下的转矩波动抑制方法进行了研究.建立了2个柔性神经网络:第1个完成由电机绕组的相电流、相磁链到转子位置之间的非线性映射,将离线训练好的网络用于转子位置的在线估计;第2个完成由电机期望转矩、转子位置到期望的优化电流之间的非线性映射,通过电流跟踪控制,使电机相电流跟随优化电流变化,实现转矩波动抑制.仿真和实验结果显示,柔性神经网络的收敛速度为传统神经网络的6倍,从而实现了转子位置快速的估算,估算误差控制在[-4,°4°]内,同时转矩波动降低1000/,验证了该控制策略较之于传统控制方法的优势.     

基于改进粒子群优化算法的电机故障诊断研究

针对电机转子故障,利用神经网络方法进行故障诊断研究。将基本粒子群优化(PSO)算法进行改进,并用其训练反向传播(BP)神经网络,对电机转子进行故障诊断。选用电机转子振动频谱分量作为神经网络的训练样本,将故障信息数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型。仿真结果表明,基于改进PSO算法的BP神经网络可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度。     

基于小波网络的永磁无刷直流电机无位置传感器控制

通过对永磁无刷直流电机的无位置传感器检测原理和小波网络特性的分析，提出了基于小波神经网络的永磁无刷直流电机无位置传感器控制新方法．该方法构建小波网络模型，采用梯度下降法对网络进行训练．网络训练分为离线训练和在线训练，由离线训练初步确定网络隐层节点的小波平移因子、尺度因子及网络输出层权值．以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整．从而由电机的相电流、端电压映射出电机的换相信号，取代了传统的位置传感器．最后仿真及实验结果表明，该方法能得到准确的永磁无刷直流电机的换相信号．     

决策树与神经网络结合的入侵检测系统模型研究

入侵检测系统是保证网络信息安全的有力手段,文中提出一种结合决策树和神经网络的入侵检测系统框架。决策树分类方法把数据集划分为正常数据和入侵数据,并作为训练集分别用神经网络进行训练,改善了系统的检测精度并提高了对未知数据的检测能力。离线训练后的系统可以实现网络数据的实时检测,通过实验证明了此系统很好的检测效果和自适应能力。     

利用人工神经网络进行感应电机转子磁链估计

为了准确估计感应电机转子磁链,实现感应电机高性能矢量控制,提出了两种基于人工神经网络的感应电机转子磁链的估计模型：采用串联结构的神经网络模型和采用复合结构的神经网络模型。前者是由递归网络和多层前馈网络串联组成;后者则是由这两种网络耦合而成。复合神经网络包含一个递归单元层和多个前馈单元层,类似于一个状态反馈系统。这两种网络模型主要是针对不同训练方式而建立起来的,针对复合结构神经网络还提出一种新的有效学习算法。仿真结果表明,这两种模型能够快速准确地估计在负载变化条件下感应电机的转子磁链。     

一种基于BP算法的融合神经网络

针对水电仿真系统水机温度建模中存在非线性动态数学模型问题,提出了一种采用融合神经网络的温度模型·并且为消除应用中神经网络训练速度慢、容易陷入局部极值的影响,采用了可变学习速度的VLBP算法作为更新网络梯度和权值的算法·在该模型的实际应用中,首先设置多个传感器采集温度参数,然后使用采集数据对神经网络进行离线训练,而后使用训练完成的网络对水机温度参数进行实时在线预测·通过现场数据和网络预测数据的对比分析,证明该模型的实际准确率可达96 5%,可以满足实际仿真的要求·     

基于多层前传网络的异步电机转子磁链和转速辨识

文章利用多层前传网络对异步电机转子磁链和转速进行直接辨识,多层前传网络具有良好的函数逼近能力,利用误差反传算法对多层前传网络进行训练,使神经网络准确地反映电机转子磁链和转速,在此基础上建立了一个异步电机矢量控制系统.系统仿真结果表明,这种方法能较好地辨识电机转子磁链信号和转速,系统具有良好的动态性能.     

基于多层感知器的异常数据实时检测方法

基于神经网络的多层感知器模型,结合滚动学习 预报机制,提出了一种异常数据实时检测方法.该方法在每个当前时刻通过最近的固定长度的历史数据训练神经网络,完成下一时刻的预报.通过神经网络模型残差,确定概率为P的置信区间.当下一时刻数据落入置信区间内,则该数据被判为正常;反之,则为异常.被判为异常的数据不再用作更新历史数据,而以相应的预报值代替.通过某300 MW燃煤火力电站实际过程数据的在线验证,结果证明了所提出方法的有效性.     

一种新型的基于高频电压注入的永磁同步电机转子位置观测方法

提出了一种简单但有效的永磁同步电机转子位置观测的新方法.该方法通过在电机定子绕组中注入高频电压,利用电机的凸极效应,通过对电机绕组端电流的处理计算,准确地估算出电机的转子位置.还提出了在电机静止状态下检测转子初始位置的新方法.仿真结果显示了所用方法的有效性和可行性.     

PMSM神经网络实时IP位置控制

对永磁同步电机 (PMSM )提出了一种基于神经网络的实时IP位置控制方案·根据伺服系统中的IP控制策略 ,利用神经网络的优点设计了神经网络实时IP位置控制器·所设计的神经网络实时IP位置控制器结构简单 ,权值调整计算量小、速度快·同时用混合神经网络作为PMSM系统辨识器 ,用多步预测性能指标函数实现了实时在线训练·理论分析和实验仿真对比研究的结果 ,表明所提出方法具有优越的动态性能和鲁棒性·     

基于遗传-模糊算法的开关磁阻电机位置计算

采用智能方法实现开关磁阻电机的非线性建模及转子位置的精确估算．根据实验测得的开关磁阻电机定子电流、绕组电感和转子位置，得到开关磁阻电动机非线性特性．利用比特性得到模糊规则，实现开关磁阻电机的模糊建模；在此基础上，分别利用神经网络的学习和遗传算法全局优化算法，实现了精确和最优模糊建模．该方法可以实现转子位置的精确估计并具有一定鲁棒性和可靠性，可取代直接的位置传感器．利用智能建模可以避免非线性系统建模的复杂性．仿真结果证明了建模的有效性．     

DSP在模糊神经网络控制器中的应用

将模糊控制所具备较强的逻辑推理功能和神经网络的学习功能融为一体，组合而成模糊神经网络，通过预测神经网络和模糊神经网络的协调作用，利用梯度法可以实时地调整模糊神经网络每个隶属函数的参数值。     

BP神经网络在差分GPS定位技术中的应用

在分析差分GPS数学模型的基础上,针对GPS移动终端抗遮蔽性差,由差分GPS数学模型直接计算的定位结果很难维持连续、准确位置信息的问题,采用BP神经网络的预测结果来进行定位目标,提高定位信息的实时性和准确性.确定了神经网络的结构,采用数据对网络进行训练,并对神经网络模型进行仿真.仿真结果达到了一定的定位精度,由此可以说明此方法具有一定的应用价值.     

基于深度学习的反无人机预警神经网络

为解决传统雷达探测设备面对"低小慢"无人机时产生的难检测与易突防问题,通过深度卷积神经网络对空中无人机进行实时识别,提取目标的类别与像空间位置信息;根据无人机像空间位置在时域下的变化趋势,绘制无人机飞行映射轨迹;利用长短期记忆网络对飞行映射轨迹进行预测,获取无人机在未来时域内的预测航迹方向,实现对无人机的预警跟踪、实时检测与轨迹推断。结果表明,所提出的算法中目标识别平均准确率可达到82%,轨迹预测平均准确率可达到80%计算速度可达到24帧/秒,可见能够在地基计算平台下对空中无人机进行实时精确预警,可以有效地防止识别领空内的非合作无人机渗透与突防。     

无刷直流电机无位置传感器控制下的转矩波动抑制新策略

永磁无刷直流电机位置传感器和转矩波动的存在限制了它的应用范围．为扩大无刷直流电机在精度较高的伺服系统中的应用，提出在实现无位置传感器控制的同时，减少转矩波动的新策略．无刷直流电机转子位置与电机的电压、电流之间以及电机电流与转子位置、转矩之间都存在着一定的非线性对应关系，通过对两个径向基函数(RBF)神经网络按自适应训练算法进行训练，训练后的两个RBF神经网络分别实现了无刷直流电机转子位置和最大转矩运行时参考电流的在线估计．根据估计的参考电流对绕组的实际电流进行调节，最大限度地抑制了因电流波形不理想引起的转矩波动，为无刷直流电机在高性能伺服系统中的应用提供了保证．实验结果表明了此控制策略的有效性．     

IPNet:帧间预测校验的多域卷积神经网络目标跟踪算法

针对现有卷积神经网络分类预测MDNet算法在线更新机制容易将错误样本引入网络模型,导致跟踪算法失效的问题,提出一种基于帧间预测校验的MDNet目标跟踪改进算法IPNet。该算法运用视频压缩领域的帧间预测方法和聚类算法,在前一帧目标跟踪位置的基础上,计算前后连续两帧中目标的相似度,估计出目标下一帧可能出现的候选区域,实现目标位置预测,达到校验跟踪结果的目的。IPNet算法能有效减少更新样本导致的跟踪失效问题,改善了在目标旋转、快速运动以及背景混杂等情况下的跟踪效果,提升了算法的跟踪性能。     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。     

基于机器学习与视觉的四足机器人步态精确监测方法

为保证四足机器人在复杂地形中能准确行进,对其步态实时监测方法进行了研究,提出一种基于机器学习和双目视觉的步态精确监测方法。首先为降低视觉残影误差,从已知步态轨迹“动中取静”确定对足端的最佳观测点位。此外,为补偿视觉系统误差所致足端位姿测量误差,提出一种基于深度神经网络的足端位姿精确预测方法。最后仿真结果表明所设计神经网络有99.68%的概率能达到0.025 mm足端位置预测精度,可满足实时、高精度监测要求。此方法将机器学习的泛化能力与视觉系统复杂误差来源相结合,使视觉方法实现了高精度测量,为足式机器人步态实时精确监测提供了新思路,进而为其足端精确定位及步态周期性保持提供了有益的方法参考。     

BCOISOA--BP网络在磨矿粒度软测量中的应用

传统人群搜索(SOA)算法通过计算搜索方向、搜索步长和搜寻更新个体位置三个步骤进行寻优.它的缺点在于计算量大,种群之间信息交流少,导致寻优速度慢.针对人群搜索算法存在的缺点,本文提出二项交叉算子改进人群搜索算法(BCOISOA)对其改进.在计算搜索步长方面,本文采用随机数与最大函数值位置乘积判断子群位置,进而提高全局寻优计算速率.在更新位置方面,本文提出二项交叉算子加强种群之间的联系,避免在更新搜索方向过程中,算法因局部最优而导致过早收敛,进而达到快速、准确寻找最优解的目的.本文将以上二项交叉算子改进人群搜索-BP神经网络算法应用在二段式磨矿过程中,实现磨矿粒度在线软测量.仿真结果表明,与人群搜索算法和粒子群算法进行比较,二项交叉算子改进人群搜索算法收敛速度更快,预测精度最高,满足对磨矿粒度实时检测的要求.